补全与标注：一种用于LiDAR点云语义分割的领域自适应方法
计算机视觉与模式识别
2021-04-01 v2 机器学习
摘要
我们研究三维点云语义标注的无监督领域自适应问题，特别关注由不同LiDAR传感器引发的领域差异。基于稀疏三维点云从三维表面采样的观察，我们采取补全与标注（Complete and Label）方法，在将点云送入分割网络之前恢复底层表面。具体而言，我们设计了一个稀疏体素补全网络（SVCN）来补全稀疏点云的三维表面。与语义标签不同，获取SVCN的训练对无需人工标注。我们还引入局部对抗学习来建模表面先验。恢复的三维表面作为一个规范领域，语义标签可从中跨不同LiDAR传感器迁移。使用我们新的LiDAR数据跨领域语义标注基准进行的实验和消融研究表明，所提方法比先前的领域自适应方法性能提升8.2-36.6%。
引用
@article{arxiv.2007.08488,
title = {Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds},
author = {Li Yi and Boqing Gong and Thomas Funkhouser},
journal= {arXiv preprint arXiv:2007.08488},
year = {2021}
}